CN110298486B - 一种基于卷积神经网络的轨道交通客流量预测方法 - Google Patents

一种基于卷积神经网络的轨道交通客流量预测方法 Download PDF

Info

Publication number
CN110298486B
CN110298486B CN201910457513.8A CN201910457513A CN110298486B CN 110298486 B CN110298486 B CN 110298486B CN 201910457513 A CN201910457513 A CN 201910457513A CN 110298486 B CN110298486 B CN 110298486B
Authority
CN
China
Prior art keywords
convolutional neural
neural network
data
passenger flow
day
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910457513.8A
Other languages
English (en)
Other versions
CN110298486A (zh
Inventor
蔡彪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN201910457513.8A priority Critical patent/CN110298486B/zh
Publication of CN110298486A publication Critical patent/CN110298486A/zh
Application granted granted Critical
Publication of CN110298486B publication Critical patent/CN110298486B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于卷积神经网络的轨道交通客流量预测方法，其包括以下步骤：S1、获取轨道交通路网各个站点的历史客流数据；S2、对缺失的历史客流数据进行填补；S3、根据工作日、休息日和天气状况划分数据集；S4、在每个数据集中取样形成训练数据；S5、建立卷积神经网络，分别采用每个数据集对应的训练数据对建立的卷积神经网络进行训练；S6、在待预测站点所在轨道交通路网中向前获取客流数据，得到待预测时刻的预测基础数据；S7、将预测基础数据作为训练后的卷积神经网络的输入，将对应的输出作为客流预测结果。本发明可对轨道交通中的客流量进行预测，便于相关人员根据客流量做出对应的措施，有利于促进站点工作的有序进行。

Description

一种基于卷积神经网络的轨道交通客流量预测方法
技术领域
本发明涉及轨道交通客流量预测领域，具体涉及一种基于卷积神经网络的轨道交通客流量预测方法。
背景技术
轨道交通是指运营车辆需要在特定轨道上行驶的一类交通工具或运输系统。最典型的轨道交通就是由传统火车和标准铁路所组成的铁路系统。随着火车和铁路技术的多元化发展，轨道交通呈现出越来越多的类型，不仅遍布于长距离的陆地运输，也广泛运用于中短距离的城市公共交通中，例如地铁。
由于轨道交通具有少堵车、速度快的优势，越来越多的人选择轨道交通出行，因此轨道交通的站点通常需要大量的工作人员，当客流量较大时，容易发生混乱，难以维系秩序。为了给出行者带来更好的服务、便于工作人员维护秩序，通常需要对站点的客流量进行预测，以便进行对应的操作。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于卷积神经网络的轨道交通客流量预测方法可快速地对轨道交通中的站点进行客流量预测。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种基于卷积神经网络的轨道交通客流量预测方法，其包括以下步骤：
S1、获取轨道交通路网各个站点的历史客流数据；
S2、对缺失的历史客流数据进行填补，得到填补后的历史客流数据；
S3、将填补后的历史客流数据按照工作日、休息日、晴天和雨雪天划分为工作日下的数据集、休息日下的数据集、工作日下晴天的数据集、工作日下雨雪天的数据集、休息日下晴天的数据集和休息日下雨雪天的数据集；
S4、在每个数据集中以任一时刻为起点、时间t为单个取样长度向前获取客流数据，将其作为一组训练数据，进而得到每个数据集对应的若干组训练数据；
S5、建立卷积神经网络，分别采用每个数据集对应的训练数据对建立的卷积神经网络进行训练，得到六个训练后的卷积神经网络；
S6、以待预测时间段的起始时刻为起点、时间t为单个取样长度，在待预测站点所在轨道交通路网中向前获取客流数据，得到待预测时刻的预测基础数据；
S7、选取与待预测时间段相匹配的数据集所训练的卷积神经网络，将待预测时刻的预测基础数据作为该训练后的卷积神经网络的输入，将对应的输出作为该轨道交通路网在该待预测时间段的客流预测结果。
进一步地，步骤S2的具体方法包括以下子步骤：
S2-1、获取历史客流数据缺失的时间区间；
S2-2、以一周为时间间隔，向前获取至少4个相同时间区间的客流数据；
S2-3、对以一周为时间间隔获取的客流数据进行平均，将平均结果作为该时间区间的填补数据，进而得到填补后的历史客流数据。
进一步地，步骤S4的具体方法为：
在每个数据集中以任一时刻为起点、10分钟为单个取样长度，在至少24小时长度内向前获取客流数据，并将以同一时刻为起点所获取的客流数据组成一组训练数据，进而得到每个数据集对应的若干组训练数据。
进一步地，步骤S5中建立卷积神经网络，分别采用每个数据集对应的训练数据对建立的卷积神经网络进行训练的具体方法包括以下子步骤：
S5-1、建立卷积神经网络并随机设置卷积神经网络的权值和偏置；
S5-2、将每组训练数据的起点之后长度为t的区间作为该组训练数据的待预测时间段，并将该时间段内的客流数据作为校验数据；分别将每个数据集对应的训练数据作为建立的卷积神经网络的输入；
S5-3、判断卷积神经网络的输出值与校验数据的偏差是否大于偏差阈值，若是则进入步骤S5-4，否则将该卷积神经网络作为训练后的卷积神经网络，并进入步骤S6；
S5-4、根据公式
J(WL,bL,x,y)＝(1/2)|aL-y|2
aL＝f(zL)＝f(WLaL-1+bL)
获取卷积神经网络中神经元的误差J(WL,bL,x,y)；其中x为卷积神经网络的输入；y为真实值；aL为第L层输出层的输出结果；zL为第L层输出层的输入；bL为第L层输出层的偏置；f(·)为双曲正切激活函数；WL为第L层输出层的权值；
S5-5、根据公式
Figure BDA0002077049580000031
Figure BDA0002077049580000032
采用梯度下降法获取第L层输出层中WL和bL的误差梯度，进而得到每个输出层中权值和偏置的误差梯度；其中⊙表示内积运算；(·)T为矩阵的转置；
S5-6、根据每个输出层中权值和偏置的误差梯度更新卷积神经网络中每个输出层的权值和偏置，返回步骤S5-2。
进一步地，步骤S6的具体方法为：
以待预测时间段的起始时刻为起点、10分钟为单个取样长度、至少24小时的取样总长度，在待预测站点所在轨道交通路网中向前获取客流数据，得到待预测时刻的预测基础数据。
进一步地，步骤S7中选取与待预测时间段相匹配的数据集所训练的卷积神经网络的具体方法包括以下子步骤：
S7-1、判断待预测时间段所在当天是否为工作日，若是则进入步骤S7-2；否则进入步骤S7-4；
S7-2、判断待预测时间段所在当天是否为持续晴天，若是则选取工作日下晴天的数据集所训练的卷积神经网络；否则进入步骤S7-3；
S7-3、判断待预测时间段所在当天是否为持续雨雪天，若是则选取工作日下雨雪天的数据集所训练的卷积神经网络；否则选取工作日下的数据集所训练的卷积神经网络；
S7-4、判断待预测时间段所在当天是否为持续晴天，若是则选取休息日下晴天的数据集所训练的卷积神经网络；否则进入步骤S7-5；
S7-5、判断待预测时间段所在当天是否为持续雨雪天，若是则选取休息日下雨雪天的数据集所训练的卷积神经网络；否则选取休息日下的数据集所训练的卷积神经网络。
本发明的有益效果为：本发明通过对轨道交通的历史客流数据进行整合处理，分工作日与休息日、晴天和雨雪天，以及介于晴天和雨雪天的天气形成用于训练卷积神经网络的数据集，得到6种训练后的卷积神经网络，使得本申请可对轨道交通中的客流量进行高精度的预测，便于相关人员根据客流量做出对应的措施，有利于促进站点工作的有序进行，也可为游客的出行提供拥堵预测，便于游客避堵出行。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，该基于卷积神经网络的轨道交通客流量预测方法包括以下步骤：
S1、获取轨道交通路网各个站点的历史客流数据；
S2、对缺失的历史客流数据进行填补，得到填补后的历史客流数据；
S3、将填补后的历史客流数据按照工作日、休息日、晴天和雨雪天划分为工作日下的数据集、休息日下的数据集、工作日下晴天的数据集、工作日下雨雪天的数据集、休息日下晴天的数据集和休息日下雨雪天的数据集；
S4、在每个数据集中以任一时刻为起点、时间t为单个取样长度向前获取客流数据，将其作为一组训练数据，进而得到每个数据集对应的若干组训练数据；
S5、建立卷积神经网络，分别采用每个数据集对应的训练数据对建立的卷积神经网络进行训练，得到六个训练后的卷积神经网络；
S6、以待预测时间段的起始时刻为起点、时间t为单个取样长度，在待预测站点所在轨道交通路网中向前获取客流数据，得到待预测时刻的预测基础数据；
S7、选取与待预测时间段相匹配的数据集所训练的卷积神经网络，将待预测时刻的预测基础数据作为该训练后的卷积神经网络的输入，将对应的输出作为该轨道交通路网在该待预测时间段的客流预测结果。
步骤S2的具体方法包括以下子步骤：
S2-1、获取历史客流数据缺失的时间区间；
S2-2、以一周为时间间隔，向前获取至少4个相同时间区间的客流数据；
S2-3、对以一周为时间间隔获取的客流数据进行平均，将平均结果作为该时间区间的填补数据，进而得到填补后的历史客流数据。
步骤S4的具体方法为：在每个数据集中以任一时刻为起点、10分钟为单个取样长度，在至少24小时长度内向前获取客流数据，并将以同一时刻为起点所获取的客流数据组成一组训练数据，进而得到每个数据集对应的若干组训练数据。
步骤S5中建立卷积神经网络，分别采用每个数据集对应的训练数据对建立的卷积神经网络进行训练的具体方法包括以下子步骤：
S5-1、建立卷积神经网络并随机设置卷积神经网络的权值和偏置；
S5-2、将每组训练数据的起点之后长度为t的区间作为该组训练数据的待预测时间段，并将该时间段内的客流数据作为校验数据；分别将每个数据集对应的训练数据作为建立的卷积神经网络的输入；
S5-3、判断卷积神经网络的输出值与校验数据的偏差是否大于偏差阈值，若是则进入步骤S5-4，否则将该卷积神经网络作为训练后的卷积神经网络，并进入步骤S6；
S5-4、根据公式
J(WL,bL,x,y)＝(1/2)|aL-y|2
aL＝f(zL)＝f(WLaL-1+bL)
获取卷积神经网络中神经元的误差J(WL,bL,x,y)；其中x为卷积神经网络的输入；y为真实值；aL为第L层输出层的输出结果；zL为第L层输出层的输入；bL为第L层输出层的偏置；f(·)为双曲正切激活函数；WL为第L层输出层的权值；分类采用softmax函数；
S5-5、根据公式
Figure BDA0002077049580000071
Figure BDA0002077049580000072
采用梯度下降法获取第L层输出层中WL和bL的误差梯度，进而得到每个输出层中权值和偏置的误差梯度；其中⊙表示内积运算；(·)T为矩阵的转置；
S5-6、根据每个输出层中权值和偏置的误差梯度更新卷积神经网络中每个输出层的权值和偏置，返回步骤S5-2。
步骤S6的具体方法为：以待预测时间段的起始时刻为起点、10分钟为单个取样长度、至少24小时的取样总长度，在待预测站点所在轨道交通路网中向前获取客流数据，得到待预测时刻的预测基础数据。
步骤S7中选取与待预测时间段相匹配的数据集所训练的卷积神经网络的具体方法包括以下子步骤：
S7-1、判断待预测时间段所在当天是否为工作日，若是则进入步骤S7-2；否则进入步骤S7-4；
S7-2、判断待预测时间段所在当天是否为持续晴天，若是则选取工作日下晴天的数据集所训练的卷积神经网络；否则进入步骤S7-3；
S7-3、判断待预测时间段所在当天是否为持续雨雪天，若是则选取工作日下雨雪天的数据集所训练的卷积神经网络；否则选取工作日下的数据集所训练的卷积神经网络；
S7-4、判断待预测时间段所在当天是否为持续晴天，若是则选取休息日下晴天的数据集所训练的卷积神经网络；否则进入步骤S7-5；
S7-5、判断待预测时间段所在当天是否为持续雨雪天，若是则选取休息日下雨雪天的数据集所训练的卷积神经网络；否则选取休息日下的数据集所训练的卷积神经网络。
在具体实施过程中，本发明还可在步骤S7后加入步骤S8：将每次预测采用的预测基础数据、预测结果和实际客流量数据作为校正数据对对应的已训练好的卷积神经网络进行修正训练。
在本发明的一个实施例中，当某一天中既不是整天晴天，也不是整天均为雨雪天，则在预测该天某时段的客流量时，仅采用工作日下的数据集所训练的卷积神经网络或休息日下晴天的数据集所训练的卷积神经网络。其中既不是整天晴天，也不是整天均为雨雪天的判别方法为：与待预测时间段对应的预测基础数据中的天气是否均为晴天数据或均为雨雪天数据，若不是则判定该待预测时间段为既不是整天晴天，也不是整天均为雨雪天。
综上所述，本发明通过对轨道交通的历史客流数据进行整合处理，分工作日与休息日、晴天和雨雪天，以及介于晴天和雨雪天的天气形成用于训练卷积神经网络的数据集，得到6种训练后的卷积神经网络，使得本申请可对轨道交通中的客流量进行高精度的预测，便于相关人员根据客流量做出对应的措施，有利于促进站点工作的有序进行，也可为游客的出行提供拥堵预测，便于游客避堵出行。

Claims (5)

1.一种基于卷积神经网络的轨道交通客流量预测方法，其特征在于，包括以下步骤：
S1、获取轨道交通路网各个站点的历史客流数据；
S2、对缺失的历史客流数据进行填补，得到填补后的历史客流数据；
S3、将填补后的历史客流数据按照工作日、休息日、晴天和雨雪天划分为工作日下的数据集、休息日下的数据集、工作日下晴天的数据集、工作日下雨雪天的数据集、休息日下晴天的数据集和休息日下雨雪天的数据集；
S4、在每个数据集中以任一时刻为起点、时间t为单个取样长度向前获取客流数据，将其作为一组训练数据，进而得到每个数据集对应的若干组训练数据；
S5、建立卷积神经网络，分别采用每个数据集对应的训练数据对建立的卷积神经网络进行训练，得到六个训练后的卷积神经网络；
S6、以待预测时间段的起始时刻为起点、时间t为单个取样长度，在待预测站点所在轨道交通路网中向前获取客流数据，得到待预测时刻的预测基础数据；
S7、选取与待预测时间段相匹配的数据集所训练的卷积神经网络，将待预测时刻的预测基础数据作为该训练后的卷积神经网络的输入，将对应的输出作为该轨道交通路网在该待预测时间段的客流预测结果；
所述步骤S5中建立卷积神经网络，分别采用每个数据集对应的训练数据对建立的卷积神经网络进行训练的具体方法包括以下子步骤：
S5-1、建立卷积神经网络并随机设置卷积神经网络的权值和偏置；
S5-2、将每组训练数据的起点之后长度为t的区间作为该组训练数据的待预测时间段，并将该时间段内的客流数据作为校验数据；分别将每个数据集对应的训练数据作为建立的卷积神经网络的输入；
S5-3、判断卷积神经网络的输出值与校验数据的偏差是否大于偏差阈值，若是则进入步骤S5-4，否则将该卷积神经网络作为训练后的卷积神经网络，并进入步骤S6；
S5-4、根据公式
J(WL,bL,x,y)＝(1/2)|aL-y|2
aL＝f(zL)＝f(WLaL-1+bL)
获取卷积神经网络中神经元的误差J(WL,bL,x,y)；其中x为卷积神经网络的输入；y为真实值；aL为第L层输出层的输出结果；zL为第L层输出层的输入；bL为第L层输出层的偏置；f(·)为双曲正切激活函数；WL为第L层输出层的权值；
S5-5、根据公式
Figure FDA0003901643220000021
Figure FDA0003901643220000022
采用梯度下降法获取第L层输出层中WL和bL的误差梯度，进而得到每个输出层中权值和偏置的误差梯度；其中⊙表示内积运算；(·)T为矩阵的转置；
S5-6、根据每个输出层中权值和偏置的误差梯度更新卷积神经网络中每个输出层的权值和偏置，返回步骤S5-2。
2.根据权利要求1所述的基于卷积神经网络的轨道交通客流量预测方法，其特征在于，所述步骤S2的具体方法包括以下子步骤：
S2-1、获取历史客流数据缺失的时间区间；
S2-2、以一周为时间间隔，向前获取至少4个相同时间区间的客流数据；
S2-3、对以一周为时间间隔获取的客流数据进行平均，将平均结果作为该时间区间的填补数据，进而得到填补后的历史客流数据。
3.根据权利要求1所述的基于卷积神经网络的轨道交通客流量预测方法，其特征在于，所述步骤S4的具体方法为：
在每个数据集中以任一时刻为起点、10分钟为单个取样长度，在至少24小时长度内向前获取客流数据，并将以同一时刻为起点所获取的客流数据组成一组训练数据，进而得到每个数据集对应的若干组训练数据。
4.根据权利要求1所述的基于卷积神经网络的轨道交通客流量预测方法，其特征在于，所述步骤S6的具体方法为：
以待预测时间段的起始时刻为起点、10分钟为单个取样长度、至少24小时的取样总长度，在待预测站点所在轨道交通路网中向前获取客流数据，得到待预测时刻的预测基础数据。
5.根据权利要求1所述的基于卷积神经网络的轨道交通客流量预测方法，其特征在于，所述步骤S7中选取与待预测时间段相匹配的数据集所训练的卷积神经网络的具体方法包括以下子步骤：
S7-1、判断待预测时间段所在当天是否为工作日，若是则进入步骤S7-2；否则进入步骤S7-4；
S7-2、判断待预测时间段所在当天是否为持续晴天，若是则选取工作日下晴天的数据集所训练的卷积神经网络；否则进入步骤S7-3；
S7-3、判断待预测时间段所在当天是否为持续雨雪天，若是则选取工作日下雨雪天的数据集所训练的卷积神经网络；否则选取工作日下的数据集所训练的卷积神经网络；
S7-4、判断待预测时间段所在当天是否为持续晴天，若是则选取休息日下晴天的数据集所训练的卷积神经网络；否则进入步骤S7-5；
S7-5、判断待预测时间段所在当天是否为持续雨雪天，若是则选取休息日下雨雪天的数据集所训练的卷积神经网络；否则选取休息日下的数据集所训练的卷积神经网络。
CN201910457513.8A 2019-05-29 2019-05-29 一种基于卷积神经网络的轨道交通客流量预测方法 Active CN110298486B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910457513.8A CN110298486B (zh) 2019-05-29 2019-05-29 一种基于卷积神经网络的轨道交通客流量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910457513.8A CN110298486B (zh) 2019-05-29 2019-05-29 一种基于卷积神经网络的轨道交通客流量预测方法

Publications (2)

Publication Number Publication Date
CN110298486A CN110298486A (zh) 2019-10-01
CN110298486B true CN110298486B (zh) 2023-06-09

Family

ID=68027232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910457513.8A Active CN110298486B (zh) 2019-05-29 2019-05-29 一种基于卷积神经网络的轨道交通客流量预测方法

Country Status (1)

Country Link
CN (1) CN110298486B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111967532A (zh) * 2020-09-02 2020-11-20 深圳市佳运通电子有限公司 油田加热炉异常检测方法和系统及相关设备
CN112215408A (zh) * 2020-09-24 2021-01-12 交控科技股份有限公司 轨道交通客流量预测方法及装置
CN112990564B (zh) * 2021-03-08 2023-04-21 山东恒安安防技术有限公司 金库尾箱任务网点混编路线规划方法
CN114912683B (zh) * 2022-05-13 2024-05-10 中铁第六勘察设计院集团有限公司 一种智慧城市轨道交通异常大客流预测系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106205126A (zh) * 2016-08-12 2016-12-07 北京航空航天大学 基于卷积神经网络的大规模交通网络拥堵预测方法及装置
WO2018005433A1 (en) * 2016-06-27 2018-01-04 Robin Young Dynamically managing artificial neural networks
CN108537392A (zh) * 2018-04-26 2018-09-14 重庆大学 一种基于时空特征预测轨道交通站点出站客流量的方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107529651B (zh) * 2017-08-18 2020-10-16 北京航空航天大学 一种基于深度学习的城市交通客流预测方法和设备
CN108197739B (zh) * 2017-12-29 2021-03-16 中车工业研究院有限公司 一种城市轨道交通乘客流量预测方法
CN108564227B (zh) * 2018-04-26 2021-08-06 重庆大学 一种基于时空特征的轨道交通客流量预测方法
CN109034449A (zh) * 2018-06-14 2018-12-18 华南理工大学 基于深度学习和乘客行为模式的短期公交客流预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018005433A1 (en) * 2016-06-27 2018-01-04 Robin Young Dynamically managing artificial neural networks
CN106205126A (zh) * 2016-08-12 2016-12-07 北京航空航天大学 基于卷积神经网络的大规模交通网络拥堵预测方法及装置
CN108537392A (zh) * 2018-04-26 2018-09-14 重庆大学 一种基于时空特征预测轨道交通站点出站客流量的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Xiao Y. 等."Research on Cloud Computing and Its Application in Big Data Processing of Railway Passenger Flow ".《Chemical Engineering Transactions》.2015,第46卷(第12期),第325-330页. *
陈深进 等."基于改进卷积神经网络的短时公交客流预测".《计算机科学》.2019,第46卷(第5期),第175-184页. *

Also Published As

Publication number Publication date
CN110298486A (zh) 2019-10-01

Similar Documents

Publication Publication Date Title
CN110298486B (zh) 一种基于卷积神经网络的轨道交通客流量预测方法
CN109543934B (zh) 城市公交线网的综合指标的评价方法
CN106127344A (zh) 一种基于网络的公交车到站时间预测方法
CN110298516B (zh) 一种基于客流od数据的拆分过长公交线路的方法、装置、移动端设备及服务器
CN103984994B (zh) 一种城市轨道交通客流高峰持续时间预测方法
CN105225473B (zh) 一种基于站点效率计算的公交快线设计方法
CN110909434B (zh) 一种低碳导向下的城市公共交通干线网络设计方法
CN107944611A (zh) 面向个性化出行需求的跨模式组合出行规划方法
CN105894848A (zh) 一种基于网络的公交车到站时间预测方法
CN113283634B (zh) 一种基于梯度提升树模型的高速公路事故预测方法及系统
CN104573972B (zh) 一种基于车载gps数据的公交路线运营时段划分方法
CN111161531A (zh) 一种基于公交车载终端判断线路正返程和进出站的方法
CN108303112A (zh) 一个基于出租车群的城市包裹递送路线规划系统
CN111090929B (zh) 一种重载铁路通过能力计算方法
CN111882216B (zh) 一种基于平均最小间隔时间的城际铁路运输能力计算方法
CN102324111A (zh) 基于公交ic卡数据的车辆运行方向判断方法
Janoš et al. Smart urban transport
CN110276553B (zh) 城市轨道交通车站拥堵指数检测方法
CN109583719B (zh) 一种公交直达出行的线路班次调整的方法
CN115691128B (zh) 一种基于多源公交数据联合挖掘的公交站点客流推算方法
CN106448134A (zh) 一种应急期间地面临时交通管制方案的优化方法及系统
CN116957130A (zh) 短时客流预测方法
CN114330871A (zh) 一种通过公交运营数据结合gps数据预测城市路况的方法
Xie et al. Estimating distributions of walking speed, walking distance, and waiting time with automated fare collection data for rail transit
CN104590326B (zh) 一种能确保安全驾驶的地铁调度方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant